I.15Доступность и ассистивные технологии

VILA-HD-8B-PS3-1.5K-SigLIP2 — мультимодальная языковая модель NVIDIA для анализа изображений высокого разрешения и ответов на вопросы о них. Архитектура основана на LlavaTopDownLlamaModel; модель разработана на базе PS3-1.5K-SigLIP2 и принимает изображение RGB размером до 1512 × 1512 пикселей вместе с текстовым запросом. Длина текстового ввода и ответа — до 12 288 токенов. Модель предназначена для извлечения визуальных признаков и сценариев, где требуется описать содержимое изображения или ответить на вопрос по нему. В карточке указано применение на системах с ускорителями NVIDIA; перечислена совместимость с Ampere, Blackwell, Hopper и Jetson. Поддерживаемый язык — английский. Распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение на тех же условиях.

kakao-enterprise/vits-ljs — модель синтеза речи VITS, обученная на наборе LJ Speech. Она преобразует текст в речевую аудиоволну и рассчитана на генерацию речи одним диктором. Модель содержит около 3,6 млн параметров и использует архитектуру условного вариационного автокодировщика с состязательным обучением: текстовый Transformer-энкодер, нормализующие потоки, стохастический предиктор длительности и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор позволяет получать разные ритмические варианты произнесения одного текста; для воспроизводимости результата нужен фиксированный seed. Чекпойнт обучен на примерно 24 часах записей одного диктора из LJ Speech. Лицензия — MIT.

soniqo/VoxCPM2-LiteRT-INT8 — мультиязычная модель синтеза речи (TTS), экспортированная компанией soniqo из базовой модели openbmb/VoxCPM2. Она предназначена для серверной генерации речи и локального запуска на устройствах через LiteRT, включая интеграцию с speech-core и Android SDK. Модель поддерживает синтез текста, голосовой дизайн, клонирование голоса по референсной записи и расширенный режим клонирования с дополнительными аудио- и текстовыми подсказками. Это диффузионно-авторегрессионная модель размером около 2 млрд параметров с выходом в формате моно PCM 48 кГц. Экспорт разделён на несколько графов LiteRT: текстовый префилл, авторегрессионный шаг генерации токенов, энкодер референсного аудио и аудиодекодер AudioVAE. Только граф token-step использует INT8-квантизацию весов; остальные компоненты работают в FP32 для сохранения качества. Внутренний цикл генерации, управление KV-кэшем и последовательностью шагов выполняются хост-приложением. Заявлена поддержка английского, китайского, индонезийского, японского и корейского языков, а также мультиязычного режима. К сильным сторонам относятся выход студийного качества с частотой 48 кГц, естественный останов генерации, поддержка голосового дизайна и клонирования, а также возможность переносимого локального выполнения через LiteRT. Ограничения включают значительный размер файлов, зависимость от внешнего рантайма и необходимость управления графами и KV-кэшем на стороне хоста; количественные показатели качества и производительности в README не приведены. Модель распространяется по лицензии Apache-2.0. При клонировании голоса необходимо получить согласие владельца голоса и не использовать модель для незаконной имитации, дезинформации или мошенничества.

Facebook AI разработала Wav2Vec2-base-VoxPopuli-V2 как базовую модель семейства wav2vec2 для представления речевого аудио. Модель содержит 113,3 млн параметров и предварительно обучена на 22,8 тыс. часов неразмеченной французской речи из корпуса VoxPopuli. Она принимает аудио с частотой дискретизации 16 кГц. Чекпойнт предназначен для дальнейшей настройки на размеченных французских аудиоданных, чтобы создать систему распознавания речи. В нём нет токенизатора, поэтому сам по себе он не выдаёт текст транскрипции; для ASR нужно создать токенизатор и дообучить модель. Опубликованные веса доступны в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn — модель распознавания китайской речи, созданная Jonatas Grosman дообучением facebook/wav2vec2-large-xlsr-53. Это трансформерная архитектура Wav2Vec2 с CTC-декодированием, содержащая 406,2 млн параметров. Модель обучена на китайских данных из Common Voice 6.1, CSS10 и ST-CMDS. Модель преобразует аудиозаписи на китайском языке в текст и рассчитана на распознавание речи zh-CN; входное аудио должно иметь частоту дискретизации 16 кГц. В опубликованной оценке на тестовой части Common Voice для китайского языка указаны WER 82,37% и CER 19,03%, что следует учитывать при выборе для практического применения. Модель распространяется по лицензии Apache-2.0.

Soumana Dama разработал Whisper Tiny Dioula — модель распознавания речи, полученную дообучением openai/whisper-tiny для диула (джула), мандингского языка Западной Африки. Она преобразует аудио на диула в письменный текст и рассчитана на транскрибацию подкастов, радиопередач и голосовых заметок, а также на применение в образовательных инструментах и голосовых помощниках. Модель основана на компактной архитектуре Whisper Tiny и распространяется в формате safetensors под лицензией Apache 2.0. Для дообучения использован нормализованный набор из 8 978 проверенных аудиотекстовых пар Mozilla Common Voice; оценка на 558 примерах дала WER 85,53%, поэтому качество распознавания пока ограничено. Модель может ошибаться на шумной записи и незнакомых акцентах; результаты для важных задач требуют проверки человеком. Она распознаёт речь на диула, но не переводит её на другие языки без отдельной системы перевода.

GlowLED/whisper-tiny-minds14-en — модель распознавания речи на архитектуре Whisper, дообученная на openai/whisper-tiny на первых 450 примерах англоязычной части датасета PolyAI/minds14 (en-US). Она предназначена для преобразования речи в текст, в частности коротких высказываний в сценариях, связанных с MInDS-14. В карточке указана нормализованная WER 0,2341. Модель использует Transformers и веса safetensors; для запуска README указывает WhisperForConditionalGeneration и WhisperProcessor. Данных о лицензии, числе параметров и длине контекста в предоставленных источниках нет.

ivrit-ai/yi-whisper-large-v3-turbo — дообученная на идише модель распознавания речи на базе OpenAI Whisper Large v3 Turbo. Она принимает аудио и преобразует речь в текст; в карточке указано, что модель предназначена преимущественно для транскрибации аудио на иврите, хотя обучение проводилось на датасетах с записями на идише. Для выбора языка распознавания нужно явно задавать токен Yiddish. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors через Transformers. Модель обучена ivrit-ai на двух краудсорсинговых наборах аудиозаписей: чтении фрагментов статей и голосовых записях заранее заданных фраз. Детальная оценка качества недоступна: внутренний тестовый набор не опубликован. Обнаружение языка ухудшилось, а перевод аудио не обучался и существенно деградировал, поэтому модель следует использовать для распознавания речи, а не для перевода. Лицензия — Apache-2.0.

zlm-filb64le5s8000 — дообученная модель семейства SpeechT5, созданная на основе mikhail-panzo/zlm_b128_le4_s12000. По задаче text-to-audio она предназначена для генерации аудио по тексту, в том числе для сценариев синтеза речи. Модель сохранена в формате safetensors. В README приведено значение Loss 0.4077 на оценочном наборе, но подробности набора данных, языков, качества и ограничений не описаны. Лицензия в доступных данных не указана.

canopylabs/3b-es_it-ft-research_release — дообученная CanopyAI модель Orpheus TTS на базе Llama, предназначенная для синтеза речи из текста на испанском и итальянском языках. Репозиторий использует Transformers и содержит веса в формате safetensors; лицензия — Apache-2.0. Модель рассчитана на генерацию естественной речи с выразительной интонацией, эмоциями и ритмом, клонирование голоса без предварительного дообучения и управление характеристиками речи с помощью тегов. В README заявлена потоковая генерация с задержкой около 200 мс, которую можно сократить примерно до 100 мс при потоковой подаче текста. Это исследовательский релиз дообучений семейства Orpheus 3B для испанского и итальянского языков. Качество, задержки и возможности клонирования указаны разработчиком; результат может зависеть от реализации и настроек инференса. Разработчик запрещает использовать модель для имитации голоса без согласия, обмана, мошенничества и незаконной или вредоносной деятельности.

Canopy Labs выпустила Orpheus 3B Ko Finetuned — корейскую версию модели синтеза речи Orpheus TTS на базе Llama. Она преобразует текст в речь и рассчитана на естественную интонацию, выразительную подачу и потоковую генерацию с низкой задержкой. В README также заявлены клонирование голоса без предварительного дообучения и управление эмоциями и интонацией с помощью тегов. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. В метаданных указаны базовые модели canopylabs/orpheus-3b-0.1-pretrained и meta-llama/Llama-3.2-3B-Instruct, а происхождение отмечено как merge. Параметры модели и длина контекста в предоставленных данных не указаны.

Orpheus 3B Zh Pretrained — китайскоязычная модель синтеза речи на базе Llama, выпущенная Canopy Labs в апреле 2025 года. Это базовый чекпойнт для создания систем преобразования текста в речь и последующего дообучения под прикладные сценарии. Разработчики также указывают zero-shot клонирование голоса и классификацию среди возможных задач. Модель предназначена для генерации естественной речи с интонацией, эмоциями и ритмом; заявлена поддержка клонирования голоса без предварительного дообучения. В основе лежит дообученная Meta-Llama-3.2-3B-Instruct, загрузка и работа с весами поддерживаются через Transformers и safetensors. README описывает китайскую версию, но размер контекста и число параметров отдельно не приводит. Лицензия — Llama 3.2. Разработчики запрещают использовать модель для имитации голоса без согласия, дезинформации, обмана и незаконной или вредоносной деятельности. Качество генерации заявлено авторами; независимые оценки в карточке не приведены.

Audar-TTS-V1-Flash — компактная модель синтеза речи с открытыми весами, разработанная AudarAI. Она преобразует текст в естественную выразительную речь и поддерживает zero-shot клонирование голоса по 5–15-секундному аудиофрагменту без дообучения под конкретного говорящего. Модель ориентирована прежде всего на арабский язык, включая литературный арабский и диалекты стран Персидского залива, в частности эмиратский, а также полноценно поддерживает английский и арабско-английское переключение языков. Модель содержит 553 млн параметров и использует архитектуру, в которой языковая модель предсказывает дискретные акустические токены audar-codec, а нейронный кодек преобразует их в аудио с частотой 24 кГц. Файл поставляется в формате GGUF с вариантами квантования Q4, Q5 и Q8, а также доступны полноточные веса bf16 для Transformers. Заявлена работа в реальном времени на CPU, GPU и периферийных устройствах через llama.cpp. Фонемайзер и отдельный G2P-модуль не используются; поддержка диалектов обеспечивается данными обучения. Для управления выразительностью предусмотрены встроенные текстовые теги, например для смеха, шёпота, возбуждения и любопытства. Сильные стороны модели — небольшой размер, быстрая локальная работа, двуязычный режим, поддержка арабских диалектов, выразительный синтез и клонирование голоса без fine-tuning. Ограничения включают заявленную специализацию только на арабском и английском языках, а также потенциальные риски злоупотреблений при клонировании голоса; в README рекомендуется получать согласие говорящего и соблюдать ответственное использование. Модель распространяется по лицензии AudarAI Open License v1.0, допускающей коммерческое использование, распространение и модификацию.

AuK-Base-and-Flash-GGUF — это набор моделей AuK в формате GGUF для запуска через audio.cpp. Базовая модель разработана Tencent, а данный пакет подготовлен для использования с реализацией audio.cpp; отдельно включён дистиллированный вариант AuK-Flash. Для работы используются генератор AuK, компонент Qwen2.5-Omni-3B и VAE, причём базовый и Flash-варианты выбираются отдельно. Модель предназначена для синтеза речи, включая zero-shot TTS с референсным голосом и instruction-guided TTS, а также для клонирования и управления характеристиками голоса. Она поддерживает редактирование речевого содержания, текста песен, высоты тона, скорости, громкости, эмоций и тембра, преобразование акцентированной речи и шёпота, добавление невербальных звуков, улучшение речи, разделение речи и музыки и извлечение целевого говорящего. В заявленной проверке результаты C++-реализации совпали с эталонными результатами Python с очень высокой косинусной близостью; тестовые WAV-файлы имели частоту 24 кГц. Для запуска необходимы audio.cpp и сохранённые рядом каталоги config и tokenizer. Доступны файлы с разной точностью и квантованием, однако для полной проверки паритета использовался FP32, а квантованные комбинации компонентов не прошли такую же валидацию. README не указывает архитектуру, максимальную длину контекста или перечень поддерживаемых языков. Результаты проверки характеризуют совпадение реализаций, но не гарантируют соответствие субъективным требованиям к качеству аудио. Лицензия — MIT.

rishikksh20 подготовил для локального синтеза речи на компьютерах Apple с процессорами Apple Silicon INT8-версию Breeze-TTS-2 в формате MLX. Это дообученная модель Breeze с плотной архитектурой BreezeForConditionalGeneration, содержащая 1,4 млрд параметров; для инференса используется контекст до 2048 токенов. Веса преобразованы в INT8 с группами размера 64 для подходящих слоёв, часть слоёв оставлена в FP16, а аудиотокенизатор — в FP32. Модель принимает текст и генерирует речь. Базовая Breeze-TTS-2 предназначена для потокового синтеза английской и китайской речи, клонирования голоса и управления его подачей. Репозиторий содержит только INT8-веса: для запуска нужны отдельный runtime-проект, macOS и Apple Silicon; версия не рассчитана на CUDA, Linux или компьютеры Mac с Intel и не настроена для Inference API Hugging Face. Квантизация может повлиять на качество и выбор вариантов синтеза, поэтому следует проверить разборчивость, произношение и сходство голоса. Лицензия в предоставленных данных не указана.

Canary-TTS-0.5B — модель синтеза речи, дообученная на базе sbintuitions/sarashina2.2-0.5b-instruct-v0.1. Она использует архитектуру Llama и аудиодекодер HKUSTAudio/xcodec2; заявленный размер — 661,9 млн параметров, контекст — 8192 токена. Модель преобразует текст в речь и позволяет управлять характеристиками голоса с помощью промптов: задавать высоту тона, пол голоса и уровень шума, а также менять текст для озвучивания. Подходит для генерации речи на японском языке; README описывает случайную генерацию голоса и указание говорящего. В основе реализации используются подходы Parler-TTS и XCodec2. Модель опубликована под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Лицензии базовой модели и аудиодекодера также следует учитывать при использовании.

onnx-community/chatterbox-ONNX — это открытая модель синтеза речи Chatterbox, разработанная Resemble AI и представленная в экспортированном формате ONNX. Она предназначена для преобразования текста в английскую речь, создания голосовых агентов, озвучивания видео, игр и другого контента, а также для zero-shot voice cloning и voice conversion по образцу голоса. Модель использует backbone на основе Llama размером 0,5 млрд параметров и обучена на 0,5 млн часов очищенных данных. Поддерживается английский язык; заявлена частота дискретизации аудио 24 кГц. Ключевые возможности включают управление выразительностью и интенсивностью речи через параметр exaggeration, стабильный синтез с alignment-informed inference и опциональную водяную маркировку выходных аудиофайлов. Формат ONNX обеспечивает переносимый запуск через ONNX Runtime на различных платформах. Сильными сторонами модели являются открытая лицензия, возможность локального и кроссплатформенного использования, voice cloning, управление эмоциональной выразительностью и заявленное превосходство над ElevenLabs в некоторых сравнительных оценках. Ограничения включают подтвержденную поддержку только английского языка, зависимость качества клонирования от предоставленного образца голоса и необходимость настройки параметров для выразительной речи; увеличение exaggeration может ускорять темп речи. Модель распространяется по лицензии MIT.

Chatterbox TTS Persian gguf — конвертация модели Thomcles/Chatterbox-TTS-Persian-Farsi, основанной на ResembleAI Chatterbox, в форматы GGUF/ggml для использования с CrispASR. Модель предназначена для синтеза речи на персидском языке (Farsi): преобразует текст в речевые токены, а затем генерирует аудио WAV с частотой дискретизации 24 кГц. Она подходит для локальных сценариев text-to-speech и приложений, которым требуется озвучивание персидского текста через CrispASR. Пайплайн включает символьный токенизатор, компонент T3 на базе авторегрессионной 30-слойной архитектуры Llama размером 520M параметров, S3Gen с Conformer-энкодером и 1D UNet-денаизером CFM, а также вокодер HiFTGenerator с цепочками свёрток, активациями Snake и iSTFT. Для работы необходимы два файла GGUF: T3-модель и S3Gen-модель; в README указана конфигурация с chatterbox-t3-fa-f16.gguf и chatterbox-s3gen-q8_0.gguf. Данные об ограничениях качества, поддерживаемых голосах и контексте не приведены. Модель распространяется по лицензии MIT.

CosyVoice2-0.5B-fp16 — версия модели синтеза речи CosyVoice2, подготовленная mlx-community из FunAudioLLM/CosyVoice2-0.5B для формата MLX с помощью mlx-audio-plus 0.1.2. Модель преобразует текст в речь и поддерживает синтез с опорным аудио: кросс-языковой zero-shot режим, режим с текстовой расшифровкой образца для повышения качества и управление стилем по текстовой инструкции, например просьбой говорить медленнее. Карточка указывает поддержку английского, китайского, японского и корейского языков. Для работы с голосовым образцом используются аудио и текст; модель выдаёт речь. Репозиторий содержит веса safetensors. Данных о размере контекста и лицензии в предоставленных источниках нет.

unsloth/csm-1b — версия модели генерации речи CSM 1B от Sesame, подготовленная Unsloth как дообученный вариант базовой sesame/csm-1b. Она преобразует текст и аудиоконтекст в аудиокоды RVQ: архитектура сочетает Llama-backbone с компактным аудиодекодером Mimi. Модель содержит 977,3 млн параметров, использует формат safetensors и имеет контекст длиной 2048 токенов. Модель предназначена для синтеза речи из текста и может генерировать разные голоса; конкретный голос отдельно не настраивался. Основной язык — английский. Авторы отмечают некоторую способность работать с другими языками, но ожидают низкое качество. Это генератор аудио, а не универсальная разговорная модель: она не генерирует текст, поэтому для ведения диалога нужен отдельный LLM. Лицензия — Apache-2.0.

nicolajreck/csm-1b-danish-tts — адаптер LoRA, дообученный Nicolaj Reck на базе Sesame CSM-1B для синтеза датской речи из текста. Модель использует архитектуру CSM с примерно 977 млн параметров; обучаемая часть адаптера составляет около 16 млн параметров. Репозиторий содержит веса в формате safetensors, а для работы требуется базовая модель sesame/csm-1b. Модель предназначена для озвучивания датских текстов естественной речью и поддерживает выбор мужского или женского голоса с помощью токенов диктора. README также заявляет хорошее качество английской речи с датским акцентом; при этом модель оптимизирована для датского, поэтому качество на других языках может быть ниже. Вывод — аудио с частотой дискретизации 24 кГц; указанное в метаданных контекстное окно — 2048 токенов. Лицензия — Apache 2.0.

aufklarer/CSM-1B-MLX-8bit — конверсия модели Sesame CSM-1B в формат MLX с 8-битной квантизацией для генерации речи непосредственно на устройствах Apple Silicon. Архитектура семейства Moshi сочетает основную Llama-модель класса 1B, предсказывающую первый кодековый код Mimi, и декодер Llama-100M для остальных кодовых книг; заявленный общий размер — класс 1,5 млрд параметров, файлы модели занимают около 1,7 ГБ. Модель преобразует текст в речь и может переносить голос из короткого аудиопримера, используя его аудиозапись и транскрипт. README приводит время генерации быстрее реального времени на системах Apple с чипами серии M и задержку первого аудио около 120 мс в потоковом режиме. Модель ориентирована на английский язык; для синтеза нужны текст и референсное аудио с транскриптом. Известные ограничения: качество слабее для других языков, конец аудио иногда обрезает последнее слово, а клонирование голоса может сглаживать просодию относительно специально подготовленного референса. Указанная лицензия — Apache-2.0.

wsntxxn/effb2-trm-audiocaps-captioning — компактная модель для создания текстовых описаний звуков. Она использует энкодер EfficientNet-B2 и двухслойный декодер Transformer и обучена на AudioCaps и неразмеченных данных AudioSet. Модель предназначена для генерации англоязычных подписей к аудиозаписям; в метаданных Hugging Face указана задача feature-extraction, поэтому каталог классифицирует её как извлечение признаков. Модель опубликована 17 июня 2024 года в форматах PyTorch и safetensors под лицензией Apache-2.0. README характеризует её как лёгкую, но не приводит оценок качества или конкретных ограничений.

Fish-Audio-S2-Pro-MLX-fp16 — экспорт модели fishaudio/s2-pro в формате MLX fp16 safetensors для оценки и реализации запуска на Apple Silicon. Экспорт сохраняет исходные имена ключей; карточка не обещает совместимость с готовыми средами запуска и отмечает, что это не готовый чекпойнт для Transformers. Модель предназначена для синтеза речи по тексту. В ней поддержаны встроенные текстовые маркеры управления просодией и эмоциями, включая паузы, ударение, смех, шёпот, крик, радость, гнев, удивление и грусть. В метаданных перечислены хинди, английский, китайский, японский, корейский, испанский, португальский, арабский, русский, французский и немецкий; базовая модель описана как многоязычная. Это экспорт базовой модели fishaudio/s2-pro, а не независимая архитектурная разработка. Публичные веса предназначены для исследований и некоммерческого использования; для коммерческого применения нужна отдельная лицензия. Запуск требует подходящего порта MLX, а совместимость с конкретной средой из карточки не следует.

Fun-CosyVoice3-0.5B-2512-fp16 — версия модели синтеза речи FunAudioLLM, преобразованная сообществом mlx-community в формат MLX с помощью mlx-audio-plus. Это плотная модель семейства CosyVoice3 с 0,5 млрд параметров в исходной модели; данная версия предназначена для запуска на MLX. Модель преобразует текст в речь и поддерживает девять языков: китайский, английский, японский, корейский, немецкий, французский, русский, итальянский и испанский. README описывает синтез с голосовым образцом без дополнительных данных, режим с текстом-расшифровкой образца для улучшения качества, а также управление стилем речи инструкцией, например просьбой говорить медленнее. Лицензия в предоставленных данных не указана.

Карточка модели lokeshe09/gemma-4-26B-A4B-it-SFT-GSPO_OCRR на Hugging Face совпадает с карточкой lokeshe09/gemma-4-26B-A4B-it-SFT-GRPO, поэтому описание составлено по ней. Мультимодальная диалоговая модель Gemma 4, дообученная lokeshe09 на базе unsloth/gemma-4-26B-A4B-it с использованием Unsloth и библиотеки Hugging Face TRL. Предназначена для диалогов с текстом и изображениями; поддерживает анализ изображений и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и конкретные улучшения после дообучения, поэтому качество для отдельных сценариев по ней оценить нельзя.

Ghana TTS – 36k — чекпойнт синтеза речи, дообученный сообществом GhanaNLP на базе VoxCPM. Он зафиксирован на 36 000 шагов обучения и обучался на более чем 1 400 часах речи на 44 языках Ганы. Репозиторий содержит веса safetensors, компоненты аудиокодека VAE, конфигурацию планировщика шума и токенизатор; для синтеза предусмотрена возможность голосового промптинга с использованием образцов референсного аудио. Модель предназначена для преобразования текста в речь на поддерживаемых ганских языках. Она обучалась с bf16 и TF32 на одном NVIDIA H200; для запуска README отсылает к демонстрационному пространству Ghana TTS. В метаданных указан pipeline text-to-speech, библиотека VoxCPM, лицензия MIT и языковые теги, включающие английский и ганские языки. Качество и охват могут различаться между языками; README не приводит отдельные оценки качества или подробные требования к инференсу. В репозитории также присутствует состояние оптимизатора, а чекпойнт на 36 000 шагов может отражать промежуточную стадию обучения.

OpenAI GPT Audio Mini — экономичная версия GPT Audio. В описании упоминается обновлённый декодер, предназначенный для более естественного звучания голосов и лучшей устойчивости голоса. Карточка также указывает цену входа — 0,60 доллара за миллион единиц, но не уточняет тип этих единиц. Метаданные каталога классифицируют модель как распознавание речи. README не описывает формат входа и выхода, языки, размер, контекст или лицензию; поэтому назначение модели можно указать только в пределах этой классификации и краткого описания.

Higgs TTS 2 — базовая аудиомодель Boson AI для генерации речи по тексту. Модель построена на Llama 3.2 3B и использует аудиоадаптер DualFFN; в README указано 3,6 млрд параметров языковой модели и 2,2 млрд параметров адаптера, а метаданные Hugging Face указывают общий размер 3,2 млрд параметров. Архитектура семейства Higgs Audio V2, формат весов — safetensors, библиотека — Transformers; длина контекста — 2048 токенов. Модель предназначена для выразительного синтеза речи, в том числе с адаптацией просодии и эмоций, клонированием голоса по образцу и генерацией многоязычных диалогов с несколькими говорящими. README также описывает напевание мелодий клонированным голосом и совместную генерацию речи с фоновой музыкой. В карточке указаны английский, китайский, немецкий и корейский языки; модель обучалась на аудиоданных, охватывающих речь, музыку и звуковые события. README сообщает о сильных результатах на тестах синтеза речи и эмоциональной выразительности, но приведённые оценки получены на конкретных бенчмарках и не гарантируют качество в каждом сценарии. Модель не проходила постобучение или дообучение, а лицензия обозначена как other, поэтому условия использования следует сверять с лицензией и условиями репозитория Boson AI.

Это квантованные версии мультимодальной модели Granite Vision 3.2 2B, разработанной IBM Granite и опубликованной в формате GGUF пользователем bartowski. Квантование выполнено с помощью llama.cpp версии b4778 и метода imatrix на основе указанного набора данных. Модель предназначена для задач image-text-to-text: обработки изображений и генерации текстовых ответов по ним, включая локальный запуск в LM Studio, llama.cpp и других совместимых проектах. Модель имеет размер 2 млрд параметров, поддерживает работу с изображениями и текстом, а заявленным языком является английский. В репозитории доступны варианты квантования от Q8_0 до более компактных Q2- и IQ-форматов с размером файлов примерно от 1 до 2,69 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, тогда как компактные варианты уменьшают требования к памяти за счёт заметного снижения качества. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие версии с аналогичным балансом качества и размера. Сильными сторонами являются мультимодальность, возможность локального запуска и широкий выбор квантованных файлов для устройств с разным объёмом памяти. Ограничения включают ориентацию на английский язык, потенциальную потерю качества при использовании низких уровней квантования, а также отсутствие в README сведений об архитектуре, размере контекста и точных характеристиках визуального энкодера. Модель и её квантованные версии распространяются по лицензии Apache-2.0.